CN104915788A - 一种考虑多风场相关性的电力系统动态经济调度的方法 - Google Patents
一种考虑多风场相关性的电力系统动态经济调度的方法 Download PDFInfo
- Publication number
- CN104915788A CN104915788A CN201510357158.9A CN201510357158A CN104915788A CN 104915788 A CN104915788 A CN 104915788A CN 201510357158 A CN201510357158 A CN 201510357158A CN 104915788 A CN104915788 A CN 104915788A
- Authority
- CN
- China
- Prior art keywords
- model
- compensation
- function
- dynamic economic
- copula
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Wind Motors (AREA)
Abstract
一种考虑多风场相关性的电力系统动态经济调度的方法,提出基于Copula函数生成多风电场间出力的联合分布的方法,并构建基于该分布的二阶段带补偿电网动态经济调度模型,在目标函数中引入补偿期望值,并利用积分求补偿期望值从而将补偿期望值从随机模型转化为数值模型,即将二阶段带补偿动态经济调度从随机规划模型转化为数值模型,从而量化风电场随机性对电网所造成的冲击,并求得同时满足目标函数和该冲击最小的最优机组出力。采用二阶段带补偿动态经济调度模型求解,提高模型求解的准确性。
Description
技术领域
本发明主要涉及电力系统动态经济调度技术领域,尤其涉及一种考虑多风场相关性的电力系统动态经济调度的方法。
背景技术
电力系统经济调度问题是指在满足系统功充平衡和相关运行约束的前提条件下,确定投运的各台发电机组最优有功出力方案,使得所求目标最优,通常是使经济性最优。若考虑一定周期内不同时间断面之间相互影响的经济调度,即为电力系统动态经济调度。
电力系统经济调度问题是一个大规模、高维、多约束的规划问题,其数学模型表示如下:
y=min f(x) (18)
式中,目标函数y通常是表示发电成本,也可以表示购电费用或排放量等,决策变量x表示常规机组出力,等式约束(19)表示功率平衡约束,不等式约束(20)表示发电机组出力上下限约束、爬坡约束和线路安全约束等。
由于风能是可再生、无污染、能量大、前景广的能源,因而现有电力系统常会包含有风电机组,而风电具有波动性和间歇性的特点,风电机组的大规模并网给电力系统经济调度带来了巨大挑战。
多风电机组接入电力系统会给电力系统经济调度数学模型引入风场出力这一随机变量,含多风电机组的电力系统经济调度为电力系统动态经济调度,电力系统经济调度数学模型转化为随机规划模型,表示如下:
y=min f(x) (21)
其中,决策变量x表示常规机组出力,ω表示风场出力,式(22)表示与风场出力ω无关的约束,式(23)表示与风场出力ω相关的约束。要想准确求得满足相关约束条件并使得f(x)最小(即使得所求目标最优)的决策变量x,即求得最优的常规机组出力,简称最优机组出力,关键在于电力系统动态经济调度数学模型的准确建立,不仅要考虑到某个风场自身的规律,也要注意各风场彼此间的关系。
现有考虑风场出力ω这一随机变量的电力系统动态经济调度数学模型建立的方法主要包括以下三种:预测风场出力将含风场出力这一随机变量的电力系统动态经济调度数学模型转化为确定性模型、利用场景法求出风场出力分布的概率模型后建立电力系统动态经济调度数学模型、采用统计方法求出风场出力分布的概率模型后建立电力系统动态经济调度数学模型。其中,预测风场出力将含风场出力这一随机变量的电力系统动态经济调度数学模型转化为确定性模型这一方法虽然模型简单、计算快,但受预测误差的影响大,电力系统的备用容量需增大;利用场景法求出风场出力分布的概率模型后建立电力系统动态经济调度数学模型这一方法的计算准确度取决于场景的选取,随着场景数的增加,其计算速度减慢和内存增加,计算困难,不适应大型电力系统;采用统计方法求风场出力分布的概率模型时多基于单一风场分布(正态分布等)去拟合风场出力分布的概率模型,然后得到统计意义上的电力系统动态经济调度数学模型,但该方法不能很好的拟合风场出力分布的概率模型,且该方法侧重研究单一风场的出力规律,忽视了同一地域间多风场之间的相关性,进而可能导致无法满足功率平衡约束和线路安全约束,所求结果与实际电力系统运行情况不一致。
发明内容
本发明提供了一种考虑多风场相关性的电力系统动态经济调度的方法,该方法可以准确建立电力系统动态经济调度数学模型且适用于大规模风电接入的电力系统,进而可准确求得投运的各台发电机组的最优有功出力,使得所求目标最优。
本发明所采用的技术方案为:
一种考虑多风场相关性的电力系统动态经济调度的方法,所述方法包括:
步骤S1,构建使所述电力系统的发电总燃耗量最小的考虑多种工程实际约束的多风场接入的电力系统动态经济调度数学模型,包括约束条件和表示发电总燃耗量的目标函数;
步骤S2,构建二阶段带补偿动态经济调度模型:二阶段带补偿动态经济调度模型由阶段一模型和阶段二模型组成,阶段一模型包括补偿目标函数和不与风场出力相关的约束条件,其中,补偿目标函数为步骤S1模型中目标函数加入与风场出力相关的补偿期望值,补偿期望值为补偿函数的期望值,补偿函数为补偿量与补偿系数的乘积;阶段二模型以使补偿函数最小为目标,在与风场出力相关的约束条件中对应引入补偿变量,以引入补偿变量的约束条件为约束条件;
步骤S3,选取各风场出力的历史同步数据作为随机样本,构建基于Copula模型的各时段多风场出力联合分布;
步骤S4,对步骤S3构建的多风场出力联合分布进行求导得到多风场出力的联合概率密度函数,并通过数值积分的方式求得补偿期望值,再将求得的补偿期望值代入补偿目标函数中,使得二阶段带补偿动态经济调度模型由随机模型转化为数值模型;
步骤S5,对二阶段带补偿动态经济调度模型进行求解:第一阶段,阶段一模型进行求解,求得满足阶段一模型约束条件的常规机组出力并反馈至第二阶段;第二阶段,对阶段二模型进行求解,求得使补偿期望值最小的补偿量并反馈至第一阶段,然后通过第一阶段和第二阶段的交替迭代,最终求得最优机组出力。
由上述可知,本发明可根据选取各风场出力的历史同步数据作为随机样本构建基于copula函数的各时段多风场出力联合分布,并构建基于该多风场出力联合分布的二阶段带补偿动态经济调度模型,通过在步骤S1模型的目标函数中引入补偿期望值并利用积分求补偿期望值从而将随机规划模型转化为数值模型,从而量化风电场随机性对电网所造成的冲击,并求得同时满足目标函数和该冲击最小的最优机组出力。本发明中的二阶段带补偿动态经济调度模型不仅考虑到某个风场自身的规律,还考虑到了各风场彼此间的关系,因而可确保考虑多风场相关性的电力系统动态经济调度数学模型的准确建立,进而可准确求得投运的各台发电机组的最优有功出力,使得所求目标最优。采用二阶段带补偿动态经济调度模型求解,提高模型求解的准确性。
所述约束条件包括发电机出力上下限约束、有功功率平衡约束、常规机组上爬坡约束、常规机组下爬坡约束、线路有功潮流约束和断面约束。保证电力系统得以安全运行。
所述步骤S1中的电力系统动态经济调度数学模型为:
其中,目标函数f表示发电总燃耗量,T为调度周期总的时段数,t=1、2、3…T;N为常规机组的个数,i=1、2、3…N;式(2)为常规机组出力上下限约束,Pgi(t)为常规机组i在时段t的发电功率,ai,bi和ci分别为第i台常规机组的耗量特性系数,P gi 和为常规机组i的有功出力上、下限值;式(3)为有功功率平衡约束,Nω为风电机组的个数,j=1、2、3…Nω;Pwj(t)为风机j在时刻t的有功出力,PLoad(t)为系统在第t时段的负荷预测值;式(4)为常规机组上爬坡约束,式(5)为常规机组下爬坡约束,rdi和rui分别为常规机组i的向下和向上爬坡率,T60为一个运行时段1h,即60min;式(6)为线路有功潮流约束,Pmn(t)为支路mn在时段t的实际有功传输量,由直流潮流法求得,为线路有功传输上限;式(7)为断面约束,为t时刻断面s的有功潮流代数和,Sl为断面s所包含的的支路数,k=1,2,3…Sl,Ps,k(t)为断面s所包含的第k条支路在时刻t的有功传输量,为断面s的有功传输上限,Ns为电网所包含的断面总数。
所述步骤S2中二阶段带补偿动态经济调度模型的阶段一模型为:
min f′=f+EQ(x,ω) (8)
其中,式(8)中f′为补偿目标函数,EQ(x,ω)为补偿期望值,x表示常规机组出力,ω表示风场出力,Q(x,ω)为补偿函数,所述阶段二模型为:
min Q(x,ω)=q(ω)y(ω) (12)
其中,q(ω)为补偿系数,y(ω)为补偿量,p、u1、u2为补偿变量,p∈RT×1,u1∈Rl×1,且u1,u2≥0,y(ω)=(p,u1,u2)T,q(ω)=(qp(ω),(qu1(ω),qu2(ω))),qp(ω)∈RT×1,qu1(ω)∈Rl×1,l表示整个电力系统包含的支路数。准确构建考虑多风场的风场出力的电力系统动态经济调度数学模型。
所述步骤S3中构建基于Copula模型的各时段多风场出力联合分布包括以下步骤:
1)选取各风场出力的历史同步数据作为随机样本,采用核密度估计法确定各风场出力的边缘分布函数F2(x2)、F2(x2)、…
2)通过累积变换函数F(·)将边缘分布函数Fj(xj),j=1、2、…Nω,转换成均匀分布U:
3)利用分步极大似然函数法求得Gaussian-Copula、t-Copula、Gumbel-Copula、Clayton-Copula、Frank-Copula这五类copula函数中的未知参数,生成基于对应的Copula函数的各时段多风场出力联合分布模型,并分别求得五类模型的Spearman相关性系数,kendall相关性系数,欧氏距离dGu和最大欧氏距离Z;
4)挑选出与原样本的Spearman相关性系数、kendall相关性系数最相近,并且与原样本经验分布的欧氏距离dGu和最大欧氏距离Z值最小的Copula模型,该挑选出的copula模型即为最合适的各时段多风场出力联合分布函数H(x1,x2,…,xN)。提出的利用五种Copula函数构建多风场出力联合分布函数的步骤,提出了模型评判指标,给出了选择最合适Copula模型的独特方法,适用于实际情况中各种风场间相关性的建模。
所述步骤S4中补偿期望值的求解过程为:
i)、对多风场出力联合分布函数H(x1,x2,…,xN)求导得到多风场出力的联合概率密度函数h(x1,…,xn),即h(ω);
ii)、通过数值积分的方式求得补偿目标函数中的补偿期望值:
EQ(x,ω)=∫∫ωq(ω)Ty(ω)h(ω)dω (17)。
利用积分求补偿期望值从而将补偿期望值从随机模型转化为数值模型,即将二阶段带补偿动态经济调度从随机规划模型转化为数值模型,简单可实现。
所述步骤S5中对二阶段带补偿动态经济调度模型进行求解时,先忽略二阶段带补偿动态经济调度模型中的有功潮流约束和断面约束,求得模型的可行解,再检验可行解是否满足二阶段带补偿动态经济调度模型中的有功潮流约束和断面约束,找出不满足的线路有功潮流约束和断面约束加入模型中继续求解,直至所求可行解满足所有约束。
本发明所带来的有益效果为:
(1)提出基于Copula函数的二阶段带补偿动态经济调度模型来求解含多个随机风电的电力系统动态经济调度,考虑了多风场间的相关性对有功调度的影响,准确建立电力系统动态经济调度数学模型且适用于大规模风电接入的电力系统;
(2)提出的利用五种Copula函数构建多风场出力联合分布函数的步骤,提出了模型评判指标,给出了选择最合适Copula模型的独特方法,适用于实际情况中各种风场间相关性的建模;
(3)运用数值积分求补偿函数的补偿期望值,解决了补偿函数不可积的问题,且可将二阶段带补偿动态经济调度模型从随机规划模型转化为数值模型,从而量化风电场随机性对电网所造成的冲击,计算思路简单,能解决二阶段带补偿动态经济调度模型不可积的问题,以方便求得同时满足目标函数和冲击最小的最优机组出力;
(4)提出了对二阶段带补偿动态经济调度模型进行求解的方法,以准确求得的各台发电机组的最优有功出力,使得所求目标最优;
(5)减少规模庞大的约束方程和补偿变量,迅速求得可行解,既能简化模型,减少计算规模,快速求得可行解,也能提高模型求解准确性。
附图说明
图1为本发明实施例的流程图;
图2为原始样本边缘分布频数直方统计图;
图3为t-Copula函数概率密度分布图。
具体实施方式
如图1所示,一种考虑多风场相关性的电力系统动态经济调度的方法,该方法包括:
步骤S1,构建使所述电力系统的发电总燃耗量最小的考虑多种工程实际约束的多风场接入的电力系统动态经济调度数学模型,包括约束条件和表示发电总燃耗量的目标函数;
步骤S2,构建二阶段带补偿动态经济调度模型:二阶段带补偿动态经济调度模型由阶段一模型和阶段二模型组成,阶段一模型包括补偿目标函数和不与风场出力相关的约束条件,其中,补偿目标函数为步骤S1模型中目标函数加入与风场出力相关的补偿期望值,补偿期望值为补偿函数的期望值,补偿函数为补偿量与补偿系数的乘积;阶段二模型以使补偿函数最小为目标,在与风场出力相关的约束条件中对应引入补偿变量,以引入补偿变量的约束条件为约束条件;
步骤S3,选取各风场出力的历史同步数据作为随机样本,构建基于Copula模型的各时段多风场出力联合分布;
步骤S4,对步骤S3构建的多风场出力联合分布进行求导得到多风场出力的联合概率密度函数,并通过数值积分的方式求得补偿期望值,再将求得的补偿期望值代入补偿目标函数中,使得二阶段带补偿动态经济调度模型由随机模型转化为数值模型;
步骤S5,对二阶段带补偿动态经济调度模型进行求解:第一阶段,阶段一模型进行求解,求得满足阶段一模型约束条件的常规机组出力并反馈至第二阶段;第二阶段,对阶段二模型进行求解,求得使补偿期望值最小的补偿量并反馈至第一阶段,然后通过第一阶段和第二阶段的交替迭代,最终求得最优机组出力。
由上述可知,本发明可根据选取各风场出力的历史同步数据作为随机样本构建基于copula函数的各时段多风场出力联合分布,并构建基于该多风场出力联合分布的二阶段带补偿动态经济调度模型,通过在步骤S1模型的目标函数中引入补偿期望值并利用积分求补偿期望值从而将随机规划模型转化为数值模型,从而量化风电场随机性对电网所造成的冲击,并求得同时满足目标函数和该冲击最小的最优机组出力。本发明中的二阶段带补偿动态经济调度模型不仅考虑到某个风场自身的规律,还考虑到了各风场彼此间的关系,因而可确保考虑多风场相关性的电力系统动态经济调度数学模型的准确建立,进而可准确求得投运的各台发电机组的最优有功出力,使得所求目标最优。采用二阶段带补偿动态经济调度模型求解,提高模型求解的准确性。
其中,考虑多种工程实际约束,步骤S1中的约束条件包括发电机出力上下限约束、有功功率平衡约束、常规机组上爬坡约束、常规机组下爬坡约束、线路有功潮流约束和断面约束。进而保证电力系统得以安全、正常运行。
下面详细阐述本发明技术方案的实现过程:
1、构建使所述电力系统的发电总燃耗量最小的考虑多种工程实际约束的多风场接入的电力系统动态经济调度数学模型:
其中,目标函数f表示发电总燃耗量,T为调度周期总的时段数,t=1、2、3…T;N为常规机组的个数,i=1、2、3…N;式(2)为常规机组出力上下限约束,Pgi(t)为常规机组i在时段t的发电功率,ai,bi和ci分别为第i台常规机组的耗量特性系数,P gi 和为常规机组i的有功出力上、下限值;式(3)为有功功率平衡约束,Nω为风电机组的个数,j=1、2、3…Nω;Pwj(t)为风机j在时刻t的有功出力,PLoad(t)为系统在第t时段的负荷预测值;式(4)为常规机组上爬坡约束,式(5)为常规机组下爬坡约束,rdi和rui分别为常规机组i的向下和向上爬坡率,T60为一个运行时段1h,即60min;式(6)为线路有功潮流约束,Pmn(t)为支路mn在时段t的实际有功传输量,由直流潮流法求得,为线路有功传输上限;式(7)为断面约束,为t时刻断面s的有功潮流代数和,Sl为断面s所包含的的支路数,k=1,2,3…Sl,Ps,k(t)为断面s所包含的第k条支路在时刻t的有功传输量,为断面s的有功传输上限,Ns为电网所包含的断面总数。
2、构建二阶段带补偿动态经济调度模型
由于上述式(3)、式(6)和式(7)是与风场出力相关的约束条件,不能总是满足,即由于风电出力不确定可能导致有功功率不平衡、线路有功潮流越限和断面潮流越限,故引入补偿变量p∈RT×1,u1∈Rl×1,且u1,u2≥0,令y(ω)=(p,u1,u2)T为补偿矩阵,其中ω表示风场出力,使上述约束式(3)、式(6)和式(7)变为:
约束式(3)、式(6)和式(7)引进这一补偿,必定会使步骤S1模型中目标函数招致补偿,因而在目标函数f加入补偿函数Q(x,w),x表示常规机组出力,设qp(ω)∈RT×1,qu1(ω)∈Rl×1,l表示整个电力系统包含的支路数,令补偿系数q(ω)=(qp(ω),qu(ω)),补偿函数Q(x,ω)=q(ω)y(ω),为实现补偿函数Q(x,w)最小,在给定的Pgi(t)和约束条件下,补偿函数Q(x,w)应满足如下规划:
min Q(x,ω)=q(ω)y(ω) (12)
由于风场出力ω不确定,在已知多风场出力联合分布的前提下可考虑其补偿函数的数学期望值EQ(x,w),即补偿期望值,多风场出力联合分布及补偿期望值EQ(x,w)的具体求解方法将在后面详细阐述,因此上述式(1)-(7)模型可以转化为:
min f′=f+EQ(x,ω) (8)
其中,f′为补偿目标函数,式(8)-(11)即为二阶段带补偿动态经济调度模型,上述式(8)-(11)即为阶段一模型,式(12)-(15)即为阶段二模型。
上述二阶段带补偿动态经济调度模型的具体求解步骤为:第一阶段,对二阶段带补偿动态经济调度模型式(8)-(11)进行求解,求得满足约束条件的常规机组出力x,并反馈至第二阶段;第二阶段,利用后面得到的多风场出力联合分布代入模型(12)-(15)求得使补偿期望值最小EQ(x,w)的补偿量y(ω),并反馈至第一阶段;然后通过第一阶段和第二阶段的交替迭代,最终求得的常规机组出力x为最优机组出力。
上述含多风场接入的二阶段带补偿动态经济调度模型构建及其求解是难点,尤其是多风场出力联合分布函数的精确建模,二阶段带补偿动态经济调度模型中补偿期望值EQ(x,w)的求解,以及线路有功潮流约束和断面约束中大量的决策变量x和随机变量ω不可避免的出现计算量加大和“维数灾”问题。针对以上这些问题,本发明提出相应的求解方法:(1)根据各风场出力的历史同步数据构建Copula联合分布函数作为多风场出力联合分布函数模型;(2)由所求多风场出力联合分布求导得多风场出力的联合概率密度函数,并通过数值积分求得二阶段带补偿动态经济调度模型中补偿期望值EQ(x,w),将随机模型转化为数值模型;(3)利用决策变量x和随机变量ω表示补偿量y(ω),从而避免求解含随机变量约束(即式(13)-(15))中的补偿变量p、u1、u2;(4)采用求可行解时先去掉二阶段带补偿动态经济调度模型中的有功潮流约束和断面约束,并在每次求解后检验可行解是否满足上述两约束,把不满足的线路潮流约束和断面约束加入模型中再进行求解,如此循环直到所有约束都满足的解即是最终可行解。
相应的关键技术可归纳为三个部分:1)利用Copula函数构建多风场出力联合分布函数模型;2)补偿期望值EQ(x,w)的求解;3)有功调度模型的具体实现方法。各项关键技术的具体实现方案如下所述。
1)利用Copula函数构建多风场出力联合分布函数模型
a、Copula原理
定义:Copula函数C是一类连接函数,可将随机变量x1,x2,…,xN的边缘分布(F1(x1),F2(x2),…,FN(xN))连接起来形成多变量的联合分布函数H:
H(x1,x2,…,xN)=C(F1(x1),F2(x2),…,FN(xN)) (18)
通过Copula函数C(·,...,·)和边缘分布F1(x1),F2(x2),…,FN(xN)即可求得多变量的联合概率密度函数:
h(x1,…,xn)=c(u1,…,un)·f1(x1)…fn(xn) (19)
copula函数主要分为两大类:Ellipse-Copula函数簇(Gaussian-Copula、t-Copula)和Archimedean-Copula函数簇(Gumbel-Copula、Clayton-Copula、Frank-Copula)。这五种函数可以描述变量间不同的相关性,正、负相关性以及上下尾相关性等。实际操作中可先构造出这五类联合出力分布,然后根据相关性指标和拟合性指标来挑选最合适的Copula函数作为连接函数,构建联合分布模型。
b、构建基于Copula模型的各时段多风场出力联合分布
选取各风场出力的历史同步数据作为随机样本,构建基于Copula模型的多风场出力联合分布,具体步骤如下:
第一步:求风电场输出功率的边缘分布函数。
通常某一风电场出力的边缘分布函数是通过拟合已知分布得到的,但已知分布的拟合结果并不能真实的反映实际风场的有功输出规律。因此,本发明采用核密度估计法来确定各风场出力的边缘分布函数F1(x1)、F2(x2)、…FN(xN)。
第二步:将各风场出力的边缘分布函数进行累积积分变换。
通过累积变换函数F(·)将边缘分布函数Fj(xj),j=1、2、…Nω,转换成均匀分布U:
第三步:生成联合Copula分布函数
利用分步极大似然函数法求得Gaussian-Copula、t-Copula、Gumbel-Copula、Clayton-Copula、Frank-Copula这五类copula函数中的未知参数,生成基于对应的Copula函数的各时段多风场出力联合分布模型,并分别求得五类模型的Spearman相关性系数ρs,kendall相关性系数τ,欧氏距离dGu和最大欧氏距离Z。
第四步:评价并选择最合适的Copula函数模型作为多风场出力联合分布函数模型
评价Copula模型的指标有:Spearman相关性系数ρs,kendall相关性系数τ,欧氏距离dGu和最大欧氏距离Z,前两个系数为描述边缘分布间相关性的指标,后两个指标为Copula函数模型与风场出力随机样本分布的拟合程度指标。其中欧氏距离dGu为随机样本分布函数值与Copula函数值的距离和,最大欧氏距离Z为两者距离最大值。挑选出与原样本的Spearman相关性系数、kendall相关性系数最相近,并且与原样本经验分布的欧氏距离dGu和最大距离Z值最小的Copula模型,该挑选出的copula模型即为最合适的各时段多风场出力联合分布函数H(x1,x2,…,xN),并由式(19)、(20)可求得多风场出力的联合概率密度函数h(x1,…,xn),即h(ω)。最后依据经验分布直方图和所求Copula联合密度函数图的对比来验证所选模型是否合适。提供以下实验数据验证说明:
Ⅰ、根据综合评价指标选择最优Copula模型
表1原样本和五类Copula函数评价指标值
函数类型 | τ | ρs | dGu | Z |
样本数据 | 0.7538 | 0.9152 | --- | --- |
Gaussian-Copula | 0.7538 | 0.9217 | 0.8282 | 0.0089 |
t-Copula | 0.7555 | 0.9206 | 0.7545 | 0.0089 |
Gumbel-Copula | 0.7440 | 0.9081 | 3.0651 | 0.0182 |
Clayton-Copula | 0.6397 | 0.8235 | 30.1889 | 0.0535 |
Frank-Copula | 0.7454 | 0.9188 | 5.2181 | 0.0218 |
原样本数据和五类拟合后的Coupla模型的拟合性指标τ和ρs相对比,可知Gaussian-Copula、t-Copula与原样本很接近,另比较拟合性指标dGu和Z,其中欧氏距离t-copula明显小于Gaussian-Copula,故选用t-Copula作为两风电场联合分布函数模型;
Ⅱ、验证t-Copula分布是否能拟合原样本数据服从的分布
利用历史同步数据分别求得两风电场出力边缘分布函数,并统计其频数直方图,见图2,绘制所求t-Copula联合概率密度函数图,见图3。由两图对比可知t-Copula能很好的贴近原样本分布,即挑选t-Copula函数模型为多风场出力联合分布函数模型。
2)补偿期望值EQ(x,w)的求解
将所求多风场出力的联合概率密度函数h(x1,…,xn)代入下式(17),以数值积分的形式求得补偿函数的期望值,从而将补偿目标函数f′中的随机变量用数值形式描述出来:
EQ(x,ω)=∫∫ωq(ω)Ty(ω)h(ω)dω (17)
下面以两个风电场ω1,ω2为例,用重积分复化Simpson公式来实现补偿函数的数值积分:
f(ω1,ω2)=q(ω1,ω2)Ty(ω1,ω2)h(ω1,ω2j) (21)
式(22)中,设积分区域Ω={(ω1,ω2)|0≤ω1≤PM1,0≤ω2≤PM2},将[0,PM1]区域进行n等分得ω1i,i=1,2,…,n,将[0,PM2]区域进行m等分得ω2j,j=1,2,…,m。λij求法参考数值积分方法。
本发明着重求每个风场出力点(ω1i,ω2j)的补偿函数值f(ω1i,ω2j),即将各个风电场出力点代入式(8)-(11)模型中,使模型转化为:
3)有功调度模型的具体实现方法
在大电网有功调度的计算中,由于支路数巨大且根据数值积分大量样本点造成原模型约束增加,有功潮流约束和断面约束求解过程中产生大量补偿变量,造成求解规模增大,计算时间增多。实际模型求解中采用循环的方式,先忽略模型中的有功潮流约束和断面约束,求得模型的可行解,再检验其是否满足上述两约束,找出不满足的线路有功潮流约束和断面约束加入模型中继续求解,直至所求可行解满足所有约束。
上列详细说明是针对本发明之一可行实施例的具体说明,该实施例并非用以限制本发明的专利范围,凡未脱离本发明所为的等效实施或变更,均应包含于本案的专利范围中。
Claims (7)
1.一种考虑多风场相关性的电力系统动态经济调度的方法,其特征在于,所述方法包括:
步骤S1,构建使所述电力系统的发电总燃耗量最小的考虑多种工程实际约束的多风场接入的电力系统动态经济调度数学模型,包括约束条件和表示发电总燃耗量的目标函数;
步骤S2,构建二阶段带补偿动态经济调度模型:二阶段带补偿动态经济调度模型由阶段一模型和阶段二模型组成,阶段一模型包括补偿目标函数和不与风场出力相关的约束条件,其中,补偿目标函数为步骤S1模型中目标函数加入与风场出力相关的补偿期望值,补偿期望值为补偿函数的期望值,补偿函数为补偿量与补偿系数的乘积;阶段二模型以使补偿函数最小为目标,在与风场出力相关的约束条件中对应引入补偿变量,以引入补偿变量的约束条件为约束条件;
步骤S3,选取各风场出力的历史同步数据作为随机样本,构建基于Copula模型的各时段多风场出力联合分布;
步骤S4,对步骤S3构建的多风场出力联合分布进行求导得到多风场出力的联合概率密度函数,并通过数值积分的方式求得补偿期望值,再将求得的补偿期望值代入补偿目标函数中,使得二阶段带补偿动态经济调度模型由随机模型转化为数值模型;
步骤S5,对二阶段带补偿动态经济调度模型进行求解:第一阶段,阶段一模型进行求解,求得满足阶段一模型约束条件的常规机组出力并反馈至第二阶段;第二阶段,对阶段二模型进行求解,求得使补偿期望值最小的补偿量并反馈至第一阶段,然后通过第一阶段和第二阶段的交替迭代,最终求得最优机组出力。
2.根据权利要求1所述的考虑多风场相关性的电力系统动态经济调度的方法,其特征在于,所述约束条件包括发电机出力上下限约束、有功功率平衡约束、常规机组上爬坡约束、常规机组下爬坡约束、线路有功潮流约束和断面约束。
3.根据权利要求2所述的考虑多风场相关性的电力系统动态经济调度的方法,其特征在于,所述步骤S1中的电力系统动态经济调度数学模型为:
其中,目标函数f表示发电总燃耗量,T为调度周期总的时段数,t=1、2、3…T;N为常规机组的个数,i=1、2、3…N;式(2)为常规机组出力上下限约束,Pgi(t)为常规机组i在时段t的发电功率,ai,bi和ci分别为第i台常规机组的耗量特性系数,P gi 和为常规机组i的有功出力上、下限值;式(3)为有功功率平衡约束,Nω为风电机组的个数,j=1、2、3…Nω;Pwj(t)为风机j在时刻t的有功出力,PLoad(t)为系统在第t时段的负荷预测值;式(4)为常规机组上爬坡约束,式(5)为常规机组下爬坡约束,rdi和rui分别为常规机组i的向下和向上爬坡率,T60为一个运行时段1h,即60min;式(6)为线路有功潮流约束,Pmn(t)为支路mn在时段t的实际有功传输量,由直流潮流法求得,为线路有功传输上限;式(7)为断面约束,为t时刻断面s的有功潮流代数和,Sl为断面s所包含的的支路数,k=1,2,3…Sl,Ps,k(t)为断面s所包含的第k条支路在时刻t的有功传输量,为断面s的有功传输上限,Ns为电网所包含的断面总数。
4.根据权利要求3所述的考虑多风场相关性的电力系统动态经济调度的方法,其特征在于,所述步骤S2中二阶段带补偿动态经济调度模型的阶段一模型为:
min f′=f+EQ(x,ω) (8)
其中,式(8)中f′为补偿目标函数,EQ(x,ω)为补偿期望值,x表示常规机组出力,ω表示风场出力,Q(x,ω)为补偿函数,所述阶段二模型为:
min Q(x,ω)=q(ω)y(ω) (12)
其中,q(ω)为补偿系数,y(ω)为补偿量,p、u1、u2为补偿变量,p∈RT×1,u1∈Rl×1,且u1,u2≥0,y(ω)=(p,u1,u2)T,q(ω)=(qp(ω),(qu1(ω),qu2(ω))),qp(ω)∈RT×1,qu1(ω)∈Rl×1,l表示整个电力系统包含的支路数。
5.根据权利要求4所述的考虑多风场相关性的电力系统动态经济调度的方法,其特征在于,所述步骤S3中构建基于Copula模型的各时段多风场出力联合分布包括以下步骤:
1)选取各风场出力的历史同步数据作为随机样本,采用核密度估计法确定各风场出力的边缘分布函数
2)通过累积变换函数F(·)将边缘分布函数Fj(xj),j=1、2、…Nω,转换成均匀分布U:
3)利用分步极大似然函数法求得Gaussian-Copula、t-Copula、Gumbel-Copula、Clayton-Copula、Frank-Copula这五类copula函数中的未知参数,生成基于对应的Copula函数的各时段多风场出力联合分布模型,并分别求得五类模型的Spearman相关性系数,kendall相关性系数,欧氏距离dGu和最大欧氏距离Z;
4)挑选出与原样本的Spearman相关性系数、kendall相关性系数最相近,并且与原样本经验分布的欧氏距离dGu和最大欧氏距离Z值最小的Copula模型,该挑选出的copula模型即为最合适的各时段多风场出力联合分布函数H(x1,x2,…,xN)。
6.根据权利要求5所述的考虑多风场相关性的电力系统动态经济调度的方法,其特征在于,所述步骤S4中补偿期望值的求解过程为:
i)、对多风场出力联合分布函数H(x1,x2,…,xN)求导得到多风场出力的联合概率密度函数h(x1,…,wn),即h(ω);
ii)、通过数值积分的方式求得补偿目标函数中的补偿期望值:
EQ(x,ω)=∫∫ωq(ω)Ty(ω)h(ω)dω (17)。
7.根据权利要求1-6所述的考虑多风场相关性的电力系统动态经济调度的方法,其特征在于,所述步骤S5中对二阶段带补偿动态经济调度模型进行求解时,先忽略二阶段带补偿动态经济调度模型中的有功潮流约束和断面约束,求得模型的可行解,再检验可行解是否满足二阶段带补偿动态经济调度模型中的有功潮流约束和断面约束,找出不满足的线路有功潮流约束和断面约束加入模型中继续求解,直至所求可行解满足所有约束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510357158.9A CN104915788B (zh) | 2015-06-24 | 2015-06-24 | 一种考虑多风场相关性的电力系统动态经济调度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510357158.9A CN104915788B (zh) | 2015-06-24 | 2015-06-24 | 一种考虑多风场相关性的电力系统动态经济调度的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104915788A true CN104915788A (zh) | 2015-09-16 |
CN104915788B CN104915788B (zh) | 2019-03-01 |
Family
ID=54084835
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510357158.9A Expired - Fee Related CN104915788B (zh) | 2015-06-24 | 2015-06-24 | 一种考虑多风场相关性的电力系统动态经济调度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104915788B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292439A (zh) * | 2017-06-23 | 2017-10-24 | 广东工业大学 | 一种基于时变混合Copula函数的短期风速预测的方法与装置 |
CN109038648A (zh) * | 2018-07-10 | 2018-12-18 | 华中科技大学 | 一种基于Copula函数的风光联合出力建模方法 |
CN110362045A (zh) * | 2019-06-14 | 2019-10-22 | 上海电力学院 | 一种考虑海洋气象因素的海上双馈风电机组故障判别方法 |
CN113131525A (zh) * | 2021-04-01 | 2021-07-16 | 清华大学 | 一种基于发电功率计划区间分解的电网调度方法 |
CN114977318A (zh) * | 2022-04-29 | 2022-08-30 | 广西电网有限责任公司 | 一种考虑相关性的随机-确定耦合电源调度方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140032000A1 (en) * | 2012-07-30 | 2014-01-30 | Siemens Corporation | Power System Stabilization Using Distributed Inverters |
CN103779868A (zh) * | 2014-02-24 | 2014-05-07 | 南方电网科学研究院有限责任公司 | 一种确定风场无功补偿容量的方法 |
CN103944159A (zh) * | 2014-04-09 | 2014-07-23 | 西安交通大学 | 含风电的电力系统规划中检修备用容量确定方法 |
US20150097373A1 (en) * | 2013-10-09 | 2015-04-09 | Siemens Aktiengesellschaft | System for automatic power estimation adjustment |
-
2015
- 2015-06-24 CN CN201510357158.9A patent/CN104915788B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140032000A1 (en) * | 2012-07-30 | 2014-01-30 | Siemens Corporation | Power System Stabilization Using Distributed Inverters |
US20150097373A1 (en) * | 2013-10-09 | 2015-04-09 | Siemens Aktiengesellschaft | System for automatic power estimation adjustment |
CN103779868A (zh) * | 2014-02-24 | 2014-05-07 | 南方电网科学研究院有限责任公司 | 一种确定风场无功补偿容量的方法 |
CN103944159A (zh) * | 2014-04-09 | 2014-07-23 | 西安交通大学 | 含风电的电力系统规划中检修备用容量确定方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292439A (zh) * | 2017-06-23 | 2017-10-24 | 广东工业大学 | 一种基于时变混合Copula函数的短期风速预测的方法与装置 |
CN109038648A (zh) * | 2018-07-10 | 2018-12-18 | 华中科技大学 | 一种基于Copula函数的风光联合出力建模方法 |
CN110362045A (zh) * | 2019-06-14 | 2019-10-22 | 上海电力学院 | 一种考虑海洋气象因素的海上双馈风电机组故障判别方法 |
CN110362045B (zh) * | 2019-06-14 | 2021-07-16 | 上海电力学院 | 一种考虑海洋气象因素的海上双馈风电机组故障判别方法 |
CN113131525A (zh) * | 2021-04-01 | 2021-07-16 | 清华大学 | 一种基于发电功率计划区间分解的电网调度方法 |
CN113131525B (zh) * | 2021-04-01 | 2022-08-12 | 清华大学 | 一种基于发电功率计划区间分解的电网调度方法 |
CN114977318A (zh) * | 2022-04-29 | 2022-08-30 | 广西电网有限责任公司 | 一种考虑相关性的随机-确定耦合电源调度方法及系统 |
CN114977318B (zh) * | 2022-04-29 | 2024-05-17 | 广西电网有限责任公司 | 一种考虑相关性的随机-确定耦合电源调度方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN104915788B (zh) | 2019-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110620402B (zh) | 电-气混联系统分布式规划运行联合优化方法及系统 | |
CN106874630A (zh) | 基于电量消纳的区域电网新能源开发潜力评估方法 | |
CN107979111A (zh) | 一种基于两阶段鲁棒优化的微电网能量管理方法 | |
CN104915788A (zh) | 一种考虑多风场相关性的电力系统动态经济调度的方法 | |
CN103855718B (zh) | 抽水蓄能电站参与含风电电力系统的调度方法 | |
CN107316125A (zh) | 一种基于经济运行域的主动配电网经济运行评价方法 | |
CN107317361B (zh) | 一种考虑区域自治能力的主动配电网全局优化调度方法 | |
CN107947164A (zh) | 一种考虑多重不确定性及相关性的电力系统日前鲁棒调度方法 | |
Zhao et al. | Optimal siting and sizing of Energy Storage System for power systems with large-scale wind power integration | |
CN105634024A (zh) | 基于价格需求响应的日内经济调度模型及线性求解方法 | |
CN107732949A (zh) | 一种综合风电全年多季节特性的储能布点定容方法 | |
CN112636331B (zh) | 智能电网的动态经济调度分布式优化方法及系统 | |
CN113393054A (zh) | 一种风储联合系统的优化调度方法及优化调度系统 | |
CN112736926A (zh) | 一种分布式新能源接入配电网区间仿射潮流动态优化方法 | |
CN109818347B (zh) | 一种电力系统风电消纳能力的评估方法 | |
CN112084629B (zh) | 一种基于两阶段鲁棒优化的多能虚拟电厂聚合方法 | |
CN112053035B (zh) | 考虑经济性与灵活性的输电通道与储能联合规划方法 | |
CN110009141B (zh) | 基于sdae特征提取和svm分类模型的爬坡事件预测方法及系统 | |
CN106712035A (zh) | 一种电力系统经济调度方法 | |
CN104795828A (zh) | 基于遗传算法的风储容量配置方法 | |
CN103986193B (zh) | 一种最大风电并网容量获取的方法 | |
CN104037755A (zh) | 一种求解风蓄火联合运行系统多时段Pareto解集的优化方法 | |
CN107834540B (zh) | 一种基于概率约束的分布式光伏接入容量的确定方法 | |
Yang et al. | Deep learning-based distributed optimal control for wide area energy Internet | |
CN115114854A (zh) | 一种虚拟电厂分布式资源两级自组织优化聚合方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190301 Termination date: 20200624 |